# 零样本预测

Mistral发布首个时间序列基础模型系列Timestral，最大型号仅2.09亿参数，在GIFT-Eval、TIME和fev-bench三个公开预测基准上排名第一，参数只有此前最优模型的三分之二。它支持多变量概率预测与过去、已知未来协变量，四个尺寸覆盖500万到2.09亿参数，无需GPU即可推理，8线程服务器CPU上从三周15分钟粒度历史预测未来一天耗时10毫秒（5M）到140毫秒（209M）。

Mistral发布首个时间序列基础模型系列Timestral，最大型号仅2.09亿参数，在GIFT-Eval、TIME和fev-bench三个公开预测基准上排名第一，参数只有此前最优模型的三分之二。它支持多变量概率预测与过去、已知未来协变量，四个尺寸覆盖500万到2.09亿参数，无需GPU即可推理，8线程服务器CPU上从三周15分钟粒度历史预测未来一天耗时10毫秒（5M）到140毫秒（209M）。

在一栋大学教学楼57天日前用电预测测试中，带协变量的预训练TimesFM 3.0把小时级平均绝对误差降到19.97千瓦时，比周季节朴素基线低约43%，且无需针对该楼训练权重。

在一栋大学教学楼57天日前用电预测测试中，带协变量的预训练TimesFM 3.0把小时级平均绝对误差降到19.97千瓦时，比周季节朴素基线低约43%，且无需针对该楼训练权重。

时间序列基础模型已普遍支持协变量，但日历信息如何编码一直被视为实现细节。该研究在四个模型、九个受节假日和周末影响的数据集上零样本滚动评测七种日历编码，发现编码选择在所有模型上都改变预测精度：同一模型内，非节假日MASE差距最高9.9%，节假日最高83%，且哪种编码最好因模型而异。SHAP归因显示提升集中在节假日，因为那里的信号无法从目标历史推断。

时间序列基础模型已普遍支持协变量，但日历信息如何编码一直被视为实现细节。该研究在四个模型、九个受节假日和周末影响的数据集上零样本滚动评测七种日历编码，发现编码选择在所有模型上都改变预测精度：同一模型内，非节假日MASE差距最高9.9%，节假日最高83%，且哪种编码最好因模型而异。SHAP归因显示提升集中在节假日，因为那里的信号无法从目标历史推断。